导读:本文包含了基因算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:基因,算法,耐药性,宏基,邻域,卷积,特征。
基因算法论文文献综述
[1]（2019）在《机器学习算法与博弈论模型结合新方法预测细菌耐药性基因准确率高》一文中研究指出美国华盛顿州立大学研究人员开发出一种预测细菌耐药性基因的新方法,通过机器学习和博弈论模型,他们能以93%～99%的准确率,预测3种不同类型革兰氏阴性菌中耐药基因的存在。细菌对抗菌素的耐药性已成为影响全球公共健康的重要问题,威胁着亿万人群,仅美国每年就有数百万人会被耐药细菌感染,(本文来源于《健康人生》期刊2019年11期）
马国娟,吴辰文,刘文祎[2]（2019）在《基因数据集混合特征选择算法研究》一文中研究指出基因数据的特点是高维度、小样本、大噪声,在处理过程中容易造成维数灾难和过度拟合等问题。针对这种情况提出一种新的基因数据集的特征选择方法,第一步是通过ReliefF算法对基因特征进行权重重要度的筛选;第二步是对筛选过的特征集合进行mRMR算法判断,留下与目标类别高度相关而其间相关性较小的基因特征;第叁步利用邻域粗糙集特征选择算法对简化后的基因数据集进行寻优处理,选出最优化的特征基因子集。为了证明新算法的有效性,以SVM为分类器,使用外部交叉验证法对整个过程来计算,从而验证本文新特征选择方法的有效性。(本文来源于《测控技术》期刊2019年10期）
杨爱华[3]（2019）在《集成特征选择的基因微阵列数据分类算法》一文中研究指出多分类器集成是机器学习领域的一个研究热点,基因微阵列技术是多领域综合交叉技术,在医学与生物学上有广泛的应用。但是,基因微阵列数据维度高且样本少等问题使得传统的分类器不能总是取得理想的分类效果。现提出一种基于多目标遗传算法的集成特征选择方法。首先,确定使用基于进化计算的集成特征选择方法进行微阵列数据分析;其次,实现最大化最小边缘的目标设计并不断完善适应值函数;最后,引导算法生成高差异度与精确度的基分类器。在前列腺癌数据集和乳腺癌数据集上与已有方法进行对比,实验表明,提出的方法在对基因微阵列数据进行分类判别方面性能表现良好。(本文来源于《信息记录材料》期刊2019年10期）
郑明,刘桂霞,卓慕瑰[4]（2019）在《AP数据源融合算法构建基因调控网络》一文中研究指出针对单一数据集构建基因调控网络算法数据量不足及构建网络结果不精确的问题,提出一种基于能力与信任(AP)的数据源融合算法.该算法将基因表达数据、蛋白质相互作用数据和基序数据集,分别通过控制与被控制双向数据流传输来分析和构建基因调控网络,并与ReMoDiscovery,CLR和C3Net叁种已开发模型在酵母全基因组网络构建结果的AUC值进行对比.对比结果表明,该算法在构建基因调控网络算法方面执行效率更高、收敛性更强.(本文来源于《吉林大学学报(理学版)》期刊2019年05期）
张蕴显,王雅梅,周萍[5]（2019）在《蚁群优化算法构建乳腺癌中miRNA调控的关键基因互作网络》一文中研究指出目的筛选ER阳性乳腺癌中受miRNA调控的关键基因,以此构建乳腺癌中miRNAmRNA互作网络,进而了解ER阳性乳腺癌的调控机制,为筛选ER阳性乳腺癌诊断预后的生物标志物和治疗靶点打下基础。方法利用MCF-7细胞系的AGO-IP(HITS-CLIP Protocol for Argonaute)高通测序实验数据,发现miRNA对mRNA的真实调控关系,并以此构建基于RNAs诱导的沉默复合体(RNAinduced silencing complex,RISCs) miRNA-mRNA调控模组。根据调控模组利用蚁群优化算法在基因互作网络中筛选关键基因,构建ER阳性乳腺癌中miRNA调控下的关键基因互作网络,并对关键基因进行功能分析。结果本研究筛选出106个关键基因,244个调控关键基因的miRNA。根据乳腺癌中miRNA调控的关键基因互作网络识别出了YWHAG、EP300、CHEK1、SMAD2、SMAD1、SYK、FGFR1、PIK3R2、IRS1、TGFBR2、CHUK和CSDE1等12个hub基因;并发现了hsa-miR-940、hsa-miR-545-3p、hsa-miR-3065-5p、hsa-miR-15a-5p、hsa-miR-181b-5p、hsa-miR-16-5p、hsa-miR-765、hsa-miR-4723-5p、hsa-miR-454-3p、hsa-miR-374a-5p、hsa-miR-34a-5p、hsa-miR-30e-5p、hsa-miR-19a-3p、hsa-miR-15b-5p、hsa-miR-149-5p和hsa-miR-128-3p等16个hub miRNA。这些基因主要对肿瘤细胞的增殖、侵袭、化疗抗性、放疗抗性和耐药性起重要作用。结论本研究筛选出的关键基因及调控关键基因的miRNA对ER阳性乳腺癌的耐药性、化疗抗性、放疗抗性及肿瘤细胞的增殖、侵袭有重要调控作用,对ER阳性乳腺癌临床治疗及预后起到重要参考作用。(本文来源于《北京生物医学工程》期刊2019年04期）
赵海英,王婷婷[6]（2019）在《面向设计的装饰纹样基因生成算法研究》一文中研究指出如何在图案生成过程中加入文化元素,使得生成图案能够传承一定的文化内涵是研究的关键问题。选取植物装饰纹样中的代表性纹样卷草纹作为研究对象,首先提出图案文化基因概念,并在此基础上将一个卷草纹样中有代表性的曲线分支作为其图案文化基因;进而提出一种改进的卷草纹样生成算法,从平衡因素进行考虑,利用Runge-Kutta方法进行物理模拟粒子在向量场中运动并将其作为生成规则,将设置的初始基元集利用生成规则进行卷草纹样的生成,同时设置曲线ID及区域ID防止不同分支之间相交或出界;最后将其运用到地毯、建筑、瓷器、剪纸等方面进行再设计,从而能够很好地进行创新应用和文化传承。(本文来源于《图学学报》期刊2019年04期）
高慧云,陆慧娟,严珂,叶敏超[7]（2019）在《基于DE-CStacking集成的基因表达数据分类算法》一文中研究指出从基因层面对癌症进行诊断将有效提高患者的治愈率,但癌症基因表达数据集通常存在高维、小样本、高噪声并且类别不平衡等问题,对此类数据进行分类是一项具有挑战性的任务.针对这些问题,提出一种基于差分进化的代价敏感Stacking(DE-CStacking)集成的基因表达数据分类算法,采用随机森林、K近邻、朴素贝叶斯作为Stacking集成的初级学习器,将代价敏感的支持向量机作为次级学习器,初级学习器的输出类概率和原始特征集作为次级学习器的输入,并采用差分进化对这些学习器的参数进行优化.通过在四个UCI的癌症基因数据上的实验对比,相对于其他传统的集成算法,DE-CStacking算法在癌症基因数据上表现出更好的泛化性能.(本文来源于《小型微型计算机系统》期刊2019年08期）
邓小燕,徐胜超[8]（2019）在《基于Yarn云平台的生物基因多序列比对并行算法》一文中研究指出为了解决生物信息学中基因多序列比对的计算速度慢和软件陈旧的问题,提出了基于Yarn (Yet Another Resource Negotiator)云平台的生物基因多序列比对并行计算方法 Yarn_clustalW。分析了clustalW算法的数学模型及其面向MapReduce的任务划分方式,Yarn_clustalW中综合考虑了基因的长度和数目,采用一种基于阈值刻度的任务划分方式。利用NCBI的GenBank生物基因数据作为案例程序进行了测试。实验结果表明:Yarn_clustalW比起多序列比对clustalW串行计算方法具有更快的运行时间与加速比,可以使生物科研人员节省很多时间与精力,方便对于药物靶标的发现,缩短生物药物的开发周期。(本文来源于《基因组学与应用生物学》期刊2019年07期）
裴晶晶,余彩裙,佘玉梅[9]（2019）在《基于基因表达谱预测肿瘤浸润免疫细胞类型及比例的解卷积算法》一文中研究指出肿瘤浸润免疫细胞通过发挥促肿瘤和抗肿瘤的作用,可以深刻地影响肿瘤的进展以及抗癌治疗的成功.因此,对于肿瘤浸润免疫细胞的量化有望揭示免疫系统在人类癌症中的多方面作用及其参与肿瘤逃逸机制和对治疗的反应.解卷积的目的就是试图在复杂组织里存在的免疫细胞中寻找新的免疫疗法,其核心思想是利用算法和免疫细胞的表达特征,从细胞混合物的表达数据中量化免疫细胞比例信息,以准确刻画肿瘤样本测序数据的免疫浸润情况.为此,提出了一个新的基于逐步回归策略的解卷积算法模型,并使用真实的肿瘤样本微阵列数据和RNA-Seq测序数据来测试该算法的准确性.与CIBERSORT和dtangle相比较,具有良好的解卷积性能.(本文来源于《云南民族大学学报(自然科学版)》期刊2019年04期）
李瑞琳,尚秋明,韩鑫胤,张裕,祝海栋[10]（2019）在《基于宏基因组长片段的基因预测算法基准》一文中研究指出目前,围绕宏基因组的模拟读长(reads)或片段、全基因组等不同类型的输入数据,新的基因预测算法、软件与工具层出不穷,但存在叁方面的问题:一、基于模拟reads或片段得出的结果无法准确反映真实基因的预测效果,而基于全基因组得出的结果不能实现未知物种的预测;二、模拟reads或片段大多小于真实基因的总长度,软件很难预测出完整的基因,甚至丢失部分真实基因;叁、长片段基因预测的基准衡量研究较少,大大限制了基因预测在不同领域的应用。针对以上问题,提出基于真实数据长片段基因预测的基准衡量方法。首先,对两个包含20种细菌株的真实序列数据集进行过滤及组装处理;其次,利用组装后得到的长片段支架(scaffolds)作为输入,对6种软件进行基准性能评估;最后,基于评估结果进行错误率上限分析。实验结果表明,在覆盖度较高的数据集上,Prodigal、GeneMarkS-2、MetaGeneAnnotator和FragGeneScan这4种软件错误率接近且最低,在3.5%～22.8%变化;在低覆盖度的数据集上,GeneMarkS-2错误率最低,在27.1%～54.7%变化。(本文来源于《计算机应用》期刊2019年S1期）
基因算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基因数据的特点是高维度、小样本、大噪声,在处理过程中容易造成维数灾难和过度拟合等问题。针对这种情况提出一种新的基因数据集的特征选择方法,第一步是通过ReliefF算法对基因特征进行权重重要度的筛选;第二步是对筛选过的特征集合进行mRMR算法判断,留下与目标类别高度相关而其间相关性较小的基因特征;第叁步利用邻域粗糙集特征选择算法对简化后的基因数据集进行寻优处理,选出最优化的特征基因子集。为了证明新算法的有效性,以SVM为分类器,使用外部交叉验证法对整个过程来计算,从而验证本文新特征选择方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基因算法论文参考文献
[1]..机器学习算法与博弈论模型结合新方法预测细菌耐药性基因准确率高[J].健康人生.2019
[2].马国娟,吴辰文,刘文祎.基因数据集混合特征选择算法研究[J].测控技术.2019
[3].杨爱华.集成特征选择的基因微阵列数据分类算法[J].信息记录材料.2019
[4].郑明,刘桂霞,卓慕瑰.AP数据源融合算法构建基因调控网络[J].吉林大学学报(理学版).2019
[5].张蕴显,王雅梅,周萍.蚁群优化算法构建乳腺癌中miRNA调控的关键基因互作网络[J].北京生物医学工程.2019
[6].赵海英,王婷婷.面向设计的装饰纹样基因生成算法研究[J].图学学报.2019
[7].高慧云,陆慧娟,严珂,叶敏超.基于DE-CStacking集成的基因表达数据分类算法[J].小型微型计算机系统.2019
[8].邓小燕,徐胜超.基于Yarn云平台的生物基因多序列比对并行算法[J].基因组学与应用生物学.2019
[9].裴晶晶,余彩裙,佘玉梅.基于基因表达谱预测肿瘤浸润免疫细胞类型及比例的解卷积算法[J].云南民族大学学报(自然科学版).2019
[10].李瑞琳,尚秋明,韩鑫胤,张裕,祝海栋.基于宏基因组长片段的基因预测算法基准[J].计算机应用.2019
论文知识图
